用户感知为导向的儿童康复产品交互体验研究

杨冬梅，蒋瑞，张健楠，王鹏菲，王泽远

（河北工业大学 a.建筑与艺术设计学院 b.人工智能与数据科学学院，天津 300401）

随着社会的发展和进步，我国儿童康复需求逐渐加大，社会各界对儿童康复的重视程度逐步提升[1]。据报告显示，目前国内0～15岁的儿童有康复需求者约3 000万，未来随着国民经济的持续增长，其需求空间还将持续扩大。康复产品作为促进患者恢复身体健康的关键载体，成为设计领域研究的热点。王年文等[2]通过构建基于功能—行为—结构的用户需求模型，结合可拓学将系统组件分层映射出相应结构进行变换，为手部康复训练器的再设计提供依据。王媚雪等[3]等通过文献研究和专家访谈构建了康复训练产品的评价体系，应用层次分析法和逼近理想解排序法对自闭症儿童康复训练产品进行综合评价。Lobo等[4]基于FEA2（Function, Expressiveness, Aesthetics,Accessibility）用户需求模型，探索了三大类可穿戴康复设备的功能要求、表现力、审美需求及可用性。Dewi等[5]应用感性工学方法挖掘用户对康复产品的隐形需求并以康复机为例进行了设计实践。PERERA等[6]基于康复与设计多学科融合，应用参与式设计的方法，开发出一套治疗辅助产品，以提高偏瘫脑瘫儿童的手部技能。从研究对象来看，该类文献多以成人为主，而成人与儿童的感知能力存在明显差异，因此无法准确匹配儿童用户的交互体验需求；从研究方法来看，由于对儿童被试进行实验相对困难，所以该类文献多以问卷、访谈等主观方法获取用户偏好，少有对儿童采用生理测量等客观方法获取其用户需求的研究。本文以用户感知为导向研究儿童用户对康复产品的交互体验，应用主观问卷与客观实验相结合的方法，提高获取儿童用户需求数据的准确性，以家用康复脚踏器为例进行实证研究，为儿童居家康复产品的设计评价提供参考。

1 构建以用户感知为导向的儿童康复产品交互体验评价流程

1.1 用户感知体验模型构建

十二感官理论是斯坦纳人智学的核心理论之一，他认为人有十二种感觉共同作用于人的发展[7]，并将其分为物质身体无意识下的初阶感官、探索与周围世界联系的中阶感官、体会内在精神意识的高阶感官，即意志感觉、知觉感觉和认知感觉，以七年为一周期呈阶段性发展规律，如图1所示。

图1 十二感官发展示意图Fig.1 Schematic diagram of the development of the twelve senses

信息加工理论包括了人类对信息的整个认知过程，在产品交互体验中表现为：用户受到产品与环境因素的感知觉刺激，根据经验在控制系统中对产品信息进行筛选加工，随后进入记忆系统编码存储，最终在评价活动中得到反馈。人类认知世界是从感知觉开始的，感知觉提供了认知加工过程的输入，是其他高级认知过程的基础[8]。本文将十二感官理论融入信息加工模型中，构建了用户感知体验模型，见图2。与传统的五大感官相比，该模型提高了对于不同年龄阶段用户信息获取的准确性。

图2 用户感知体验模型Fig.2 User perceived experience model

1.2 儿童康复产品交互体验评价流程

本文基于用户感知体验模型，构建儿童居家康复产品交互体验评价流程，见图3。

图3 儿童居家康复产品交互体验评价流程Fig.3 Interactive experience evaluation process of children's home rehabilitation products

1）采用文本挖掘、网络爬虫的方法获取感知意象集与产品样本库，借助因子降维、聚类分析等数理统计方法对意象词及样本进行降维处理。

2）以语义差异量表、眼动追踪实验等方法量化用户感知评价与注意行为。

3）应用层次分析法（Analytic Hierarchy Process，AHP）构建产品交互体验评价体系，结合熵权法（Entropy Weight Method，EWM）对各项评价指标赋权，筛选出重要指标对特征样本进行编码。

4）应用BP神经网络建立感知意象评价值与产品特征要素之间的映射关系，训练并验证模型的可靠性。

2 基于儿童康复产品交互体验评价流程的实证研究

2.1 获取典型样本库与感知意象集

本文以儿童康复脚踏器为例，将7～14岁儿童作为研究对象，对以用户感知为导向的儿童居家康复产品交互体验评价流程进行实践。依据用户感知体验模型，视觉作为该年龄阶段儿童发展相对敏感的感受器官，也是用户与产品产生交互体验的第一感知通道[9]；触觉作为儿童基本的经验之一对他们的影响效果最为持久[7]，因此，在研究儿童对康复产品感知体验偏好时，选择视觉、触觉作为信息获取的核心感知途径。

利用python构建爬虫框架，以“康复脚踏机”为关键词在京东平台爬取样本图片258张，排除相似度较高及无关图片后筛选出展示角度相对一致的图片46张。邀请50名设计专业被试者对初始样本根据造型、色彩、工作方式进行打分，计算均值并聚类分析得出3簇样本图片，在每簇中选取7个切片样本共21个，构成典型样本库，见图4。

图4 典型样本库Fig.4 Typical sample library

以“儿童产品”“康复产品”为关键词，在2010年至2021年的文献资料中进行文本搜集，应用Rost语义分析软件进行词性和词频分析，从集成的文本文件中筛选出有关视觉和触觉的两组感官形容词并分别取频率较高的30个。结合典型样本制作五级量表评分问卷，收集整理数据并计算均值结果。将两组评分矩阵导入SPSS进行因子分析，分别得到8个有效变量即16个意象词，根据语义找出其反义词组成词对构成感知意象集，见表1。

表1 儿童康复脚踏器感知意象集Tab.1 Children's rehabilitation foot pedal perceptual image set

2.2 基于语义差异量表的主观数据获取

为进一步对感知意象词降维，设计感官罗盘游戏，邀请40名儿童被试浏览21张样本并有序选出符合自己视觉、触觉感受的感知意象词汇，筛选有效数据结果，如图5所示。最终确定对儿童康复脚踏器影响最大的感知意象词为“科技”“亮丽”与“结实”“舒适”。

图5 感知意象词得分Fig.5 Perceptual image word score

结合4对感知意象词和21张代表样本图片，采用五级标度量表制作问卷进行调查，共招募7～14岁儿童志愿者133名，在提交的问卷数据中得到有效数据121份，计算各样本感知意象评价与交互体验满意度得分均值，结果如图6所示。将数据结果输入SPSS软件中进行线性回归分析，R2为0.973，即感知意象评价与交互体验满意度具有显著相关性，设y1为“亮丽”的评价值，y2为“科技”的评价值，y3为“舒适”的评价值，y4为“结实”的评价值，得到儿童用户交互体验满意度Y与感知意象评价之间的线性关系：

图6 样本感知评价结果Fig.6 Sample perceptual evaluation results

2.3 构建儿童康复脚踏器交互体验评价体系

视觉、触觉作为儿童与产品交互时获取信息的核心感官，以其为准则层向下划分，结合产品外观属性构建了以造型要素、色彩要素、材质要素及交互要素为指标层的儿童居家康复产品交互体验评价体系。对康复脚踏器进行形态要素解构，得到以脚踏、底座、显示器、手柄、主机为主的五个关键特征，并将其作为因子层细分标准，最终得到12个以用户感知为导向的交互体验评价指标，见图7。产品的造型差异会激发用户不同的视觉刺激，材质的表面处理也会带给用户不同的视觉效果和心理感受[10]。本文通过问卷访谈结合眼动实验获取儿童用户对康复脚踏器的主客观感知评价数据。

图7 儿童康复脚踏器交互体验评价层次分析模型Fig.7 Analytical hierarchy model for evaluation of interactive experience of children's rehabilitation foot pedal

2.4 基于眼动追踪实验的客观数据获取

2.4.1 实验设计与材料

实验采用Tobii Pro Glasses2眼动设备，邀请20名7～14岁儿童被试者，男女比例约为1∶1。实验追踪捕捉被试者观察刺激图片时的眼动数据，利用划分兴趣区的方式在各区域内采集被试者信息筛选时的表征数据[11]。以21张样本图片作为本次实验的刺激材料，分析被试者注意行为信息在不同区域内的呈现情况，获知哪些产品区域更受儿童被试的关注。

2.4.2 数据处理与分析

依据形态解构结果，将每个典型样本都设置对应的兴趣区（Area Of Interest，AOI），如图8a所示，每个AOI区域代表的特征要素如表2所示。20名被试者随机观看21张代表性样本图像，选取样本5得到的热图叠加分布见图8b，以第9位被试者观看该样本形成的轨迹图为例，如图8c所示。通过对图8b的颜色深浅和面积大小与图8c的注视次序和注视点面积的综合分析，可判断出被试者对AOI（1）、AOI（3）与AOI（5）三种特征要素更具有认知意象偏好。

表2 AOI代表的特征要素Tab.2 Characteristic elements represented by AOI

图8 以样本5为例的可视化数据呈现Fig.8 Visual data presentation with sample 5 as an example

为进一步量化产品特征要素的显著性权重，统计不同兴趣区（AOI）内的重要眼动指标，对注视次数、首次注视时间与首次注视持续时间三组指标进行单因素方差分析（见表3），结果证明其对被试者注视行为具有显著影响，因此，可以作为客观评价指标进行计算。将统计数据进行无量纲归一处理，结果如图9所示。

图9 不同兴趣区内的眼动指标数据Fig.9 Eye movement index data in different regions of interest

表3 眼动指标单因素方差分析结果Tab.3 Results of one-way ANOVA for eye movement index

3 基于AHP-EWM的评价指标权重计算

3.1 基于AHP的主观评价指标权重计算

邀请40名设计专业研究人员，采用1-5的评价标度对准则层及指标层各项评价指标进行重要度评分，取均值两两比较构建判断矩阵并作归一化处理，通过特征向量法计算得到各指标相对权重。根据式（2）、式（3）对各层级的判断矩阵单排序进行一致性检验[12]，得到各层级的CR值均小于0.1，即满足一致性检验要求，进而可以计算各指标层的复合权重，结果见表4。

表4 各层级指标权重结果Tab.4 Weight results of indicators at each level

其中，n为所构建判断矩阵的阶数，λmax为该矩阵的最大特征根。随机一致性检验指标RI的标准值可以根据n值查找得到，进而计算一致性比例CR：

3.2 基于EWM的客观评价指标权重计算

在评价系统中，可利用各方案的固有信息，通过熵权法得到各评价指标的熵[13]，指标的变异程度越小，所反映的信息量也越少，其对应的权值也越低[14]。通过计算AOI区域的眼动指标判断矩阵的信息熵，可以最大程度体现出各眼动指标的客观信息。根据式（4）—（6）计算每个指标的熵值以及对应的客观权重，其中一级指标权重由对应二级指标加总所得[15]，结果如表5所示。

表5 指标熵值、差异系数、权重结果Tab.5 Index entropy value, difference coefficient, weight result

计算第j个评价指标下第i个样本的贡献度fij：

从而得到第j个指标的熵值Ej：

进而计算出该指标的客观权重Wj：

3.3 评价指标综合权重计算

本文由层次分析法得到儿童康复脚踏器交互体验评价体系指标层权重，由熵权法得到康复脚踏器形态解构后各特征要素相对权重，结合计算结果最终得到因子层各指标综合权重并进行重要度排序，见表6。

表6 评价指标综合权重Tab.6 Comprehensive weight of evaluation indicators

4 基于BP神经网络的预测模型建立

4.1 BP神经网络结构图构建

BP神经网络具有高度非线性映射能力和较好的容错性[16]，它能自动学习和响应m维输入信号到n维输出信号的非线性映射机制。本文以AHP结合EWM求得的组合权重为依据剔除不重要的评价指标，进而将代表性样本编码作为BP神经网络的输入层，以用户感知意象评价作为输出层建立两者的非线性拟合，见图10。

图10 BP神经网络结构图Fig.10 BP neural network structure diagram

4.2 设计分析与模型构建

根据评价指标综合权重计算结果剔除排在后四位的特征要素，以保留的8项重要评价指标对21个代表性样本进行特征编码，见表7。HSB色彩模式是指在三维空间色彩属性中基于人对颜色的心理感受的一种颜色模式[17]，因此色彩配置多通过Photoshop软件采集产品主色的HSB色值进行表达；结合前文确定的视觉感知评价词“亮丽-暗淡”，选择主色明度范围B作为色彩配置的分类依据。最终以编码后的样本参数作为输入层、感知意象评价数据作为输出层建立BP神经网络。由此输入层的神经元节点个数为8，输出层的神经元节点个数为4。

表7 儿童居家康复脚踏器特征编码Tab.7 Children's home rehabilitation foot pedal feature coding

续表7

在典型样本库中随机选择80%样本，运用MATLAB软件工具箱选取其中的70%为训练样本，15%为验证样本，15%为测试样本对BP神经网络模型进行训练与测试。设最大迭代次数M=100 0，训练函数选用L-M（Levenberg-Marquardt），第38代时，MSE达到0.021，得到精度较高的网络训练结果，见图11。由图11可知，总拟合度值R=0.936 66，训练验证测试值都大于80%，说明本文所构造的模型预测精度较高。

图11 BP神经网络数据拟合结果Fig.11 BP neural network data fitting results

为验证模型的有效性，将剩余的样本数据输入模型中进行验证，对比训练得到感知评价预测值与实际值，结果如表8所示，两者最大误差绝对值为0.05，说明应用该网络预测儿童康复脚踏器的感知意象评价具有良好的效果。

5 实例验证

对表8中的评价要素类型进行排列组合，将所得设计方案编码随机输入已经训练好的BP神经网络模型中，得到各方案的感知意象评价值，代入式（1）计算得到设计方案对应的交互体验满意度。将Y≥0.8定义为体验感较高的方案组合，0.6≤Y＜0.8定义为体验感适中的方案组合，Y＜0.6为体验感较低的方案组合。从三种不同层次的方案集合中共选取4组，根据编码组合进行创新设计，得到四个脚踏器方案，如表9所示。

表8 预测结果对比Tab.8 Comparison of forecast results

表9 设计方案组合Tab.9 Design portfolio

6 结语

邀请20位儿童用户对上述设计方案进行评价，通过相对误差计算对比用户交互体验满意度的预测值与实际值，结果如图12所示，相对误差均小于0.1，说明评价模型具有较高的可靠性。其中，方案一用户交互体验满意度最高：上下肢被动的交互方式与双手柄操作使脚踏器稳定性更高；色彩配置应用明黄色，达到活泼亮丽的效果；包裹式海绵脚踏具有较高的舒适性与较强的安全性；主机造型圆润流畅，采用高反光塑料材质、较大的显示器面板，体现出产品的科技感。

图12 预测值与实际值对比Fig.12 Predicted and actual value comparison chart

针对儿童康复产品的交互体验评价问题，以用户感知为导向建立了用户感知体验模型。以语义差异量表、眼动追踪实验等方法获取主客观数据，应用层次分析构建儿童康复产品的交互体验评价体系，结合熵权法对各评价指标进行组合赋权，基于BP神经网络建立了儿童康复产品交互体验评价预测模型。以康复脚踏器为例，验证了该模型具有较高的可靠性，为儿童康复产品的设计与评价提供了思路。文中用于训练BP神经网络的样本量偏小，后期研究需搜索更多的样本数据对儿童康复产品的交互体验评模型进行训练及测试，避免造成模型不稳定的问题。另外，儿童居家康复产品可能存在多名使用者（儿童和家长），未来的研究可以尝试从多用户角度对儿童康复产品开展评价研究，使评价体系更加完善。